Drought forecasting using feed-forward recursive neural network

Monthly Prediction of Drought Classes Using Log-Linear Models under the Influence of NAO for Early-Warning of Drought and Water Management

“…Among the techniques used for drought forecasting, statistical models are chosen many times, since they are simple to implement, do not have a high computational burden, and produce useful predictions [58]. There are a variety of statistical methodologies available which can be applied for the intended purpose, namely autoregressive integrated moving average (ARIMA)-type approaches [59,60], artificial neural network (ANN) models [61,62] or even other types of stochastic and probability models, such as Markov chains [63], log-linear models [64,65], and others [66,67]. A thorough discussion on various methodologies used for drought modeling and prediction showing the limitations and advantages of each modeling/technique was done by Mishra and Singh [58].…”

Comparing the Performance of Predictive Models Constructed Using the Techniques of Feed - Forword and Generalized Regression Neural Networks

“…Also, a study reported in (Mishra & Desai, 2006), constructs a predictive model using feed-forward neural network to forecast drought for effective planning and management of natural resources. The paper compares a number of neural networks techniques such as direct multi step, recursive multi step and stochastic model.…”

Χωροχρονική Ανάλυση Προσομοίωση Και Πρόγνωση Ξηρασίας Στην Υδρολογική Λεκάνη Πηνειού Ποταμού Θεσσαλίας

“…H καινοτομία της διατριβής είναι ότι προσπαθεί να δημιουργήσει ένα γενικευμένο χρονικό μοντέλο για ταυτόχρονη χωροχρονική πρόγνωση του SPI στους βροχομετρικούς σταθμούς της υδρολογικής λεκάνης του Πηνειού ποταμού. Τα πολυεπίπεδα προς τα εμπρός τροφοδοτούμενα νευρωνικά δίκτυα (MLPs ANNs) επιλέχτηκαν για την ταυτόχρονη χρονική πρόγνωση βραχυπρόθεσμων και μεσοπρόθεσμων κλιμάκων πρόγνωσης (lead times), γιατί προγενέστερες μελέτες έδωσαν καλύτερα αποτελέσματα από άλλες τεχνικές πρόγνωσης για πρόγνωση των επιφανειακών τιμών του SPI στην υδρολογική λεκάνη του Πηνειού ποταμού Vasiliades and Loukas, 2008] αλλά και σε άλλες μελέτες πρόγνωσης μετεωρολογικών δεικτών ξηρασίας [Kim and Valdes 2003;Mishra and Desai, 2006;Mishra et al, 2007;Morid et al, 2007;Bacanli et al, 2009;Cutore et al, 2009]. Ακολουθήθηκαν δύο προσεγγίσεις πολλαπλών χρονικών βημάτων πρόγνωσης.…”

“…Ο ποιοτικός δείκτης κρίσιμης επιτυχίας CSI (Critical Success Index ή Threat Score) [Schaefer 1990], που υπολογίζεται από τον πίνακα αξιολόγησης των αποτελεσμάτων πρόγνωσης επεισοδίων ξηρασίας (contingency table) για τιμές SPI≤-1, χρησιμοποιήθηκε για την αξιολόγηση των προγνώσεων και την επιλογή του χρονικού βήματος πρόγνωσης για επιχειρησιακές εφαρμογές [Vasiliades and Loukas, 2010a]. Τα αποτελέσματα που παρουσιάζονται στο Κεφάλαιο 7 δείχνουν ότι η γενικευμένη χρονική μεθοδολογία έχει καλύτερα στατιστικά κριτήρια πρόγνωσης του SPI από προηγούμενες έρευνες στην περιοχή μελέτης Vasiliades and Loukas, 2008] αλλά και σε άλλες μελέτες χρονικής πρόγνωσης του SPI [Mishra and Desai, 2006;Mishra et al, 2007;Morid et al, 2007;Bacanli et al, 2009].…”

“…Επίσης, στην ίδια λεκάνη η εφαρμογή των νευρωνικών δικτύων [Mishra and Desai, 2006] και ενός συνδυαστικού (υβριδικού) μοντέλου που αποτελείται από εποχικά μοντέλα ARIMA και νευρωνικά δίκτυα για τα υπόλοιπα των SARIMA [Mishra et al, 2007] έδειξαν ότι οι προγνώσεις βελτιώνονται για μεσοπρόθεσμα διαστήματα πρόγνωσης από 3 μήνες μπροστά. Επίσης, σε μία άλλη μελέτη παρόμοια αποτελέσματα παρουσιάστηκαν για την πρόγνωση της ξηρασίας με χρήση του δείκτη ξηρασίας SPI υπολογισμένου για χρονικές κλίμακες 3-month, 6-month, 9-month, 12-month και 24-month στην υδρολογική λεκάνη του Πηνειού ποταμού .…”